本发明涉及数据处理技术领域，具体涉及一种基于用户关系的用户画像构造方法、装置、计算设备及计算机存储介质。
背景技术：
随着网络和信息技术的不断发展，各类平台应用而生，为了改善平台的各项功能，以方便平台为用户提供更好的服务，以及保护平台的利益，需要了解、分析用户的各项信息。目前，常通过构建用户画像的方式来了解用户的信息。
现有的用户画像构建方法，主要是根据用户的一元数据，例如，性别、年龄、职业、星座、身高、体重、购物类型、品牌偏好和/或收入等来构造用户画像，并未充分利用因互联网而产生的大数据，虽然利用一元数据所构造的用户画像能够对平台予以指导，但是并不能充分体现用户的特征，从而使得平台无法为用户提供精细化的服务，也无法在用户存在欺诈等行为时对保护平台利益。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于用户关系的用户画像构造方法、装置、计算设备及计算机存储介质。
根据本发明的一个方面，提供了一种基于用户关系的用户画像构造方法，包括：
获取用户关系信息，根据用户关系信息构造用户关系网络；
对用户关系网络进行采样处理，生成用户关系序列；
利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量；
利用用户二元特征向量构造用户画像。
可选地，对用户关系网络进行采样处理，生成用户关系序列进一步包括：
基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值；
基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列。
可选地，利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量进一步包括：
利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量。
可选地，方法还包括：获取用户一元数据，根据用户一元数据生成用户一元特征向量；
利用用户二元特征向量构造用户画像进一步包括：
利用用户二元特征向量和用户一元特征向量构造用户画像。
可选地，用户一元数据包括：性别、年龄、职业、星座、身高、体重、购物类型、品牌偏好和/或收入。
可选地，在构造用户画像之后，方法还包括：基于用户画像利用预设相似性算法分析用户之间的相似性。
可选地，在构造用户画像之后，方法还包括：基于用户画像样本训练用户兴趣爱好模型；
将待分析用户的用户画像输入至用户兴趣爱好模型进行分析，得到该用户的兴趣爱好。
可选地，在构造用户画像之后，方法还包括：基于用户画像分析用户是否具有异常行为。
可选地，用户关系信息包括：用户短信信息、用户通信网络信息和/或用户社交应用信息。
可选地，用户社交频率信息包括以下信息的一种或多种：短信数量、通话时长、通话次数、社交应用交流频率。
根据本发明的另一方面，提供了一种基于用户关系的用户画像构造装置，包括：
用户关系网络构造模块，适于获取用户关系信息，根据用户关系信息构造用户关系网络；
采样处理模块，适于对用户关系网络进行采样处理，生成用户关系序列；
学习模块，适于利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量；
用户画像构造模块，适于利用用户二元特征向量构造用户画像。
可选地，采样处理模块进一步包括：
确定单元，适于基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值；
采样处理单元，适于基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列。
可选地，学习模块进一步适于：利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量。
可选地，装置还包括：获取模块，适于获取用户一元数据；
生成模块，适于根据所述用户一元数据生成用户一元特征向量；
用户画像构造模块进一步适于：利用用户二元特征向量和用户一元特征向量构造用户画像。
可选地，用户一元数据包括：性别、年龄、职业、星座、身高、体重、购物类型、品牌偏好和/或收入。
可选地，装置还包括：相似性分析模块，适于基于用户画像利用预设相似性算法分析用户之间的相似性。
可选地，装置还包括：训练模块，适于基于用户画像样本训练用户兴趣爱好模型；
兴趣爱好分析模块，适于将待分析用户的用户画像输入至用户兴趣爱好模型进行分析，得到该用户的兴趣爱好。
可选地，装置还包括：异常行为分析模块，适于基于用户画像分析用户是否具有异常行为。
可选地，用户关系信息包括：用户短信信息、用户通信网络信息和/或用户社交应用信息。
可选地，用户社交频率信息包括以下信息的一种或多种：短信数量、通话时长、通话次数、社交应用交流频率。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于用户关系的用户画像构造方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于用户关系的用户画像构造方法对应的操作。
根据本发明提供的方案，获取用户关系信息，根据用户关系信息构造用户关系网络；对用户关系网络进行采样处理，生成用户关系序列；利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量；利用用户二元特征向量构造用户画像。本发明提供的技术方案基于用户关系信息构造的用户画像能够充分反映用户的特征，从而能够方便地根据用户画像为用户提供更精细化服务，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低的缺陷。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的基于用户关系的用户画像构造方法的流程示意图；
图2示出了根据本发明另一个实施例的基于用户关系的用户画像构造方法的流程示意图；
图3示出了根据本发明一个实施例的基于用户关系的用户画像构造装置的结构程示意图；
图4示出了根据本发明另一个实施例的基于用户关系的用户画像构造装置的结构程示意图；
图5示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的基于用户关系的用户画像构造方法的流程示意图。如图1所示，该方法包括以下步骤：
步骤s100，获取用户关系信息，根据用户关系信息构造用户关系网络。
在本发明实施例中，用户关系信息是二元信息，是两个用户交互而产生的信息，用户关系网络是用图形的形式表示用户之间联系的关系网，其中，所述用户关系信息包括：用户短信信息、用户通信网络信息和/或用户社交应用信息。
具体地，在获取到用户关系信息后，对所述用户关系信息进行网络化，得到由节点和边组成的用户关系网络，在该用户关系网络中节点表示为用户，边表示两个用户有关系，例如，两个用户有过短信沟通记录、通话记录、社交应用沟通记录等，如此，可以将两个节点用直线连接起来，形成节点之间的边。
步骤s101，对用户关系网络进行采样处理，生成用户关系序列。
虽然根据步骤s100得到用户关系网络，但是用户关系网络并不能直接用于构造用户画像，其仅是用图形的形式表示用户之间联系的关系网，因此，还需要对用户关系网络进行处理，例如可以对用户关系网络进行采样处理，以生成用户关系序列。
步骤s102，利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量。
在根据步骤s101得到用户关系序列之后，可以利用深度学习算法对用户关系序列进行学习，这里对用户关系序列进行学习主要是为了得到每个用户对应的用户二元特征向量，以通过向量形式表示用户，便于后续构造用户画像。
步骤s103，利用用户二元特征向量构造用户画像。
在根据步骤s102得到用户二元特征向量之后，可以根据所得到的用户二元特征向量来构造用户画像，用户二元特征向量作为构造用户画像的一个维度，使得该用户画像能够充分反映用户的特征，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低，无法为用户提供更精细化服务的缺陷。
根据本发明上述实施例提供的方法，获取用户关系信息，根据用户关系信息构造用户关系网络；对用户关系网络进行采样处理，生成用户关系序列；利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量；利用用户二元特征向量构造用户画像。本实施例基于用户关系信息构造的用户画像能够充分反映用户的特征，从而能够方便地根据用户画像为用户提供更精细化服务，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低的缺陷。
图2示出了根据本发明另一个实施例的基于用户关系的用户画像构造方法的流程示意图。如图2所示，该方法包括以下步骤：
步骤s200，获取用户关系信息，根据用户关系信息构造用户关系网络。
在本发明实施例中，用户关系信息是二元信息，是两个用户交互而产生的信息，用户关系网络是用图形的形式表示用户之间联系的关系网，其中，所述用户关系信息包括：用户短信信息、用户通信网络信息和/或用户社交应用信息。
具体地，在获取到用户关系信息后，对所述用户关系信息进行网络化，得到节点和边的用户关系网络，在该用户关系网络中节点表示为用户，边表示两个用户有关系，例如，两个用户有过短信沟通记录、通话记录、社交应用沟通记录等，如此，可以将两个节点用直线连接起来，形成节点之间的边。
步骤s201，基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值。
步骤s200中所构造的用户关系网络是有权重的网络，该权重值用于衡量用户关系网络中用户之间的亲密度，权重值越高，两个用户越亲密，因此，用户之间的亲密度可以用于判断用户的相似性等。
在本发明实施例中，权重可以依据用户社交频率信息而确定，用户社交频率信息体现了用户联系的频率，其中，用户社交频率信息具体包括以下信息的一种或多种：短信数量、通话时长、通话次数、社交应用交流频率。认定两个用户短信沟通的数量越高、通话时长越久，通话次数越多，社交应用交流频率越大，用户之间的亲密度权重值越高，反之，用户之间的亲密度权重值越低。
步骤s202，基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列。
随机游走采样处理指从用户关系网络的某个初始点出发，从当前节点的邻居节点中随机选取一个节点作为当前节点的下一跳节点，随机游走到达该邻居节点，并对节点的相关信息进行采样。
具体地，在根据步骤s201得到用户之间的亲密度权重值之后，可以基于亲密度权重值对用户关系网络进行随机游走采样处理，随机游走次数可以根据实际需要进行设定，生成用户关系序列，该用户关系序列体现了随机游走的先后顺序。
步骤s203，利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量。
本发明实施例中所用到的序列训练网络是基于大量的样本进行训练得到的，将所生成的用户关系序列输入至序列训练网络，该序列训练网络对所获取到的用户关系序列进行序列学习，以统一用维度较高的向量来表示每个用户，即得到每个用户对应的用户二元特征向量，实现了将用户关系网络抽象成特征向量的表示。
步骤s204，获取用户一元数据，根据用户一元数据生成用户一元特征向量。
用户一元数据仅是表征该用户的数据，与其他用户用户一元数据可以是用户注册应用程序时所输入的信息，也可以是根据用户使用应用程序时的行为信息所生成的，例如，购物类型、品牌偏好等，还可以通过其他途径获取到用户一元数据。其中，用户一元数据包括：性别、年龄、职业、星座、身高、体重、购物类型、品牌偏好和/或收入。这里仅是举例说明，不具有任何限定作用。在获取到用户一元数据后，可以根据用户一元数据生成用户一元特征向量。
步骤s205，利用用户二元特征向量和用户一元特征向量构造用户画像。
在根据步骤s203和步骤s204得到用户二元特征向量和用户一元特征向量之后，可以根据所得到的用户地理位置特征向量和应用程序特征向量来构造用户画像，该用户画像能够充分反映用户的特征，本发明实施例结合用户二元特征向量和用户一元特征向量来构造用户画像，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低，无法为用户提供更精细化服务的缺陷。
利用本发明提供的用户画像构建方法所构造的用户画像，可以被应用于各种平台，可以使平台更好的了解用户，从而为用户提供更精细化的服务，以提高用户的体验度，例如，可以应用于游戏平台，可以使游戏平台获知用户所感兴趣的游戏，从而有针对性地向用户推送游戏广告；还可应用于信贷公司，使得该信贷公司根据用户画像了解用户是否存在异常行为，了解用户征信记录，根据征信记录对用户提供相应的服务，例如，不向其放贷，或者根据记录确定放贷金额等。这里仅是举例说明，不具有任何限定作用。
在本发明可选实施方式中，在构造用户画像之后，方法还包括：基于用户画像利用预设相似性算法分析用户之间的相似性。
利用本发明所构造的用户画像较为全面，因此平台可以根据用户画像分析两个用户的相似性，具体，可以利用欧氏距离算法来分析用户之间的相似性。
在本发明可选实施方式中，在构造用户画像之后，方法还包括：基于用户画像样本训练用户兴趣爱好模型，将待分析用户的用户画像输入至用户兴趣爱好模型进行分析，得到该用户的兴趣爱好。
具体地，将利用本发明所提供的用户画像构造方法所构造的用户画像作为样本进行训练，得到输入为用户画像，输出为用户兴趣爱好的用户兴趣爱好模型，当需要分析某用户的兴趣爱好，利用本发明提供的用户画像构造方法构造该用户的用户画像，然后将所构造的用户画像输入至训练的用户兴趣爱好模型，利用该用户兴趣爱好模型分析得到该用户的兴趣爱好。在分析出用户的兴趣爱好之后，可以根据用户的兴趣爱好向用户推送相应的信息，例如，视频消息、游戏消息等，这里不再一一列举说明。
在本发明可选实施方式中，在构造用户画像之后，方法还包括：基于用户画像分析用户是否具有异常行为。
举例说明，随着网络技术的发展，目前推出了很多关于借贷的应用程序，例如，xx借条，用户可以在应用程序进行借款操作，再向用户放贷之前，应用程序所属公司需要进行风险评估，评估该用户的信用等，现有技术中，都是基于第三方提供的征信记录进行评判，然而，很多时候基于第三方数据的风控面临很多问题：1、第三方数据的数据覆盖率有限，很多目标用户无法覆盖；2、征信成本比较高，而且查第三方数据往往需要用户授权，用户体验差。利用本发明实施例提供的用户画像构造方法是基于用户关系来构造用户画像，能够分析用户是否就有欺诈行为，例如，某几个用户联系特别频繁，而且在一天内又与很多其他用户联系，例如，一天与50个不同的用户联系，则很有可能属于诈骗集团，对于这里用户，则可以认定用户行为异常，基于用户画像分析用户是否具有异常行为，能够对信贷公司予以指导。
此外，还可结合黑名单机制进行判断，例如，在基于黑名单机制确定某用户就要欺诈行为，那么在利用本发明实施例提供的用户画像构造方法构造用户画像之后，确定出某几个用户相似，则可以认定其他几个用户也具有欺诈行为。
根据本发明上述实施例提供的方法，获取用户关系信息，根据用户关系信息构造用户关系网络，基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值，基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列，利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量，获取用户一元数据，根据用户一元数据生成用户一元特征向量，利用用户二元特征向量和用户一元特征向量构造用户画像。基于本发明提供的技术方案，基于用户关系信息构造的用户画像能够充分反映用户的特征，结合用户二元特征向量和用户一元特征向量来构造用户画像，能够方便地根据用户画像为用户提供更精细化服务，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低的缺陷。
图3示出了根据本发明一个实施例的基于用户关系的用户画像构造装置的结构程示意图。如图3所示，该装置包括：用户关系网络构造模块300、采样处理模块310、学习模块320、用户画像构造模块330。
用户关系网络构造模块300，适于获取用户关系信息，根据用户关系信息构造用户关系网络。
采样处理模块310，适于对用户关系网络进行采样处理，生成用户关系序列。
学习模块320，适于利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量。
用户画像构造模块330，适于利用用户二元特征向量构造用户画像。
根据本发明上述实施例提供的装置，获取用户关系信息，根据用户关系信息构造用户关系网络；对用户关系网络进行采样处理，生成用户关系序列；利用深度学习算法对用户关系序列进行学习，得到每个用户对应的用户二元特征向量；利用用户二元特征向量构造用户画像。基于本发明提供的技术方案，基于用户关系信息构造的用户画像能够充分反映用户的特征，从而能够方便地根据用户画像为用户提供更精细化服务，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低的缺陷。
图4示出了根据本发明另一个实施例的基于用户关系的用户画像构造装置的结构程示意图。如图4所示，该装置包括：用户关系网络构造模块400、采样处理模块410、学习模块420、获取模块430、生成模块440、用户画像构造模块450。
用户关系网络构造模块400，适于获取用户关系信息，根据用户关系信息构造用户关系网络。
其中，用户关系信息包括：用户短信信息、用户通信网络信息和/或用户社交应用信息。
采样处理模块410进一步包括：确定单元411，适于基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值；
其中，用户社交频率信息包括以下信息的一种或多种：短信数量、通话时长、通话次数、社交应用交流频率。
采样处理单元412，适于基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列。
学习模块420进一步适于：利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量。
获取模块430，适于获取用户一元数据。
其中，用户一元数据包括：性别、年龄、职业、星座、身高、体重、购物类型、品牌偏好和/或收入。
生成模块440，适于根据所述用户一元数据生成用户一元特征向量。
用户画像构造模块450进一步适于：利用用户二元特征向量和用户一元特征向量构造用户画像。
在本发明可选实施方式中，该装置还包括：相似性分析模块460，适于基于用户画像利用预设相似性算法分析用户之间的相似性。
在本发明可选实施方式中，该装置还包括：训练模块470，适于基于用户画像样本训练用户兴趣爱好模型；
兴趣爱好分析模块480，适于将待分析用户的用户画像输入至用户兴趣爱好模型进行分析，得到该用户的兴趣爱好。
在本发明可选实施方式中，该装置还包括：异常行为分析模块490，适于基于用户画像分析用户是否具有异常行为。
根据本发明上述实施例提供的装置，获取用户关系信息，根据用户关系信息构造用户关系网络，基于用户社交频率信息确定用户关系网络中用户之间的亲密度权重值，基于亲密度权重值对用户关系网络进行随机游走采样处理，生成用户关系序列，利用经过训练的序列训练网络，对用户关系序列进行序列学习，得到每个用户对应的用户二元特征向量，获取用户一元数据，根据用户一元数据生成用户一元特征向量，利用用户二元特征向量和用户一元特征向量构造用户画像。基于本发明提供的技术方案，基于用户关系信息构造的用户画像能够充分反映用户的特征，结合用户二元特征向量和用户一元特征向量来构造用户画像，能够方便地根据用户画像为用户提供更精细化服务，克服了现有技术中仅依赖用户的一元数据，例如，年龄、性别、收入等构造用户画像而导致的用户画像质量低的缺陷。
本申请实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于用户关系的用户画像构造方法。
图5示出了根据本发明一个实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(communicationsinterface)504、存储器(memory)506、以及通信总线508。
其中：
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述基于用户关系的用户画像构造方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行上述任意方法实施例中的基于用户关系的用户画像构造方法。程序510中各步骤的具体实现可以参见上述基于用户关系的用户画像构造实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的基于用户关系的用户画像构造装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。